آنالیز مدل-پایه تصاویر با قدرت تفکیک بالا جهت استخراج نیمه اتوماتیک جادههای شهری (مطالعه موردی: سان-دیاگو، آمریکا)
چکیده
در عصری زندگی می کنیم که آنرا عصر اطلاعات نامیده اند و بی شک سنجش از دور (rs) بعنوان ابزاری قوی در جمع آوری داده ها از جایگاه ویژه برخوردار می باشد. استفاده صحیح از داده های سنجش از دور جهت حل مشکلات و معضلات شهری یکی از مهمترین دغدغه های بسیاری از مدیران و برنامه ریزان شهری می باشد. با توجه به اینکه سیستم اطلاعات جغرافیایی (gis) بعنوان ابزاری قوی در نگهداری، تحلیل و مدیریت داده های زمین مرجع مخصوصا در مناطق شهری مطرح گردیده است، از آن بعنوان سیستم حمایت در تصمیم گیری نام می برند. لذا دقت در تهیه اطلاعات، به منظور وارد نمودن و به روز رسانی سیستم اطلاعات جغرافیایی، بعنوان یک واقعیت انکار ناپذیر مطرح می گردد. اصولا استخراج اطلاعات از تصاویر ماهواره ای و عکس های هوایی فرایندی پیچیده بوده و تحت تاثیر عوامل بسیاری می باشد، لذا چشم پوشی از یک یا چند عامل منجر به کاهش دقت اطلاعات استخراج شده از داده های ماهواره ای می گردد. در این پایان نامه روش مدل- پایه، که بدنبال مدل نمودن عوامل تاثیر گذار در فرایند اخذ داده ها می باشد، بعنوان ابزاری نیرومند جهت استخراج نیمه اتوماتیک جاده های شهری مورد ارزیابی قرار گرفته است. روش مدل-پایه مبتنی بر سه بخش اساسی: فرضیه سازی (hypotheses generation)، مدارک سازی (evidence generation) و برآورد فرضیه بر اساس مدرک می باشد. فرضیه سازی مهمترین بخش روی مدل-پایه می باشد که با الگوریتم های متفاوتی قابل انجام می باشد و بخش مدرک سازی با استفاده از تصویر مورد استفاده بدست می آید. با توجه به دقت نسبتا بالای بدست آمده در طبقه بندی نواحی کشاورزی و جنگلی، با استفاده از الگوریتم فرضیه سازی مبتنی بر حداکثر احتمال محلی (local miximum likelihhood) در کارهای گذشته (آبکار 1999)، در این پایان نامه روش فوق جهت استخراج نیمه اتوماتیک جاده های شهری با استفاده از تصاویر با قدرت تفکیک فضایی بالا (عکس هوایی رنگی شهر سان-دیاگو-آمریکا) مورد ارزیابی قرار گرفته است. الگوریتم فرضیه سازی مبتنی بر حداکثر احتمال محلی (lml)، بدلیل همپوشانی طیفی جاده با سایر عوراض (مثل: پارکینگ ها، خانه ها، سایه ها و غیره) نتایج قابل قبولی را ارائه نداد، لذا با استفاده از دانش تصویری و روشهای فیلتری دقت نهایی اطلاعات بدست آمده از الگوریتم (lml) به میزان قابل قبولی افزایش یافت تا قابلیت وارد شدن به سیستم اطلاعات جغرافیایی را دارا گردند.